基于非靶向SERS-AI平台的可解释性多阶段肥胖相关T2DM筛查与分期研究

为解决肥胖诱导型2型糖尿病(T2DM)缺乏阶段特异性生物标志物导致的早期筛查与分期难题，复旦大学团队开发了集成表面增强拉曼散射(SERS)与可解释机器学习算法的非靶向检测平台。通过分析242例受试者72,600个血浆SERS指纹信号，优化后的二次支持向量机(QSVM)模型实现四分类94.5%准确率，SHAP分析揭示15个关键拉曼位移与疾病阶段特异性生化成分相关。该研究为T2DM多阶段诊断提供了兼具高效性与可解释性的新方法。

　　

糖尿病正成为全球公共卫生的重大挑战，其中2型糖尿病(T2DM)因发病隐匿、病程不可逆且并发症严重，早期诊断尤为关键。肥胖作为T2DM主要诱因，其发展过程涉及从单纯肥胖(OBs)、糖耐量受损(IGTs)到糖尿病(DMs)的渐进性代谢紊乱，但现有诊断方法难以实现精准分期。更棘手的是，传统检测依赖单一靶标生物标志物，而T2DM作为系统性代谢疾病，其发生发展涉及多分子网络协同变化，亟需能同时捕捉复杂生化特征的新技术。

复旦大学化学系的研究团队在《Sensors and Actuators B: Chemical》发表的研究中，创新性地将表面增强拉曼散射(Surface Enhanced Raman Scattering, SERS)技术与可解释人工智能相结合，构建了非靶向多阶段T2DM筛查平台。该研究通过优化银纳米线(AgNWs)复合基底增强信号稳定性，采集242例受试者（含60 OBs、60 IGTs、62 DMs及60健康对照）的72,600个血浆SERS光谱，采用多种机器学习算法进行建模分析。

关键技术包括：1）开发多层AgNWs复合SERS基底提升检测灵敏度；2）建立300光谱/样本的高通量采集流程；3）应用SHapley Additive exPlanations(SHAP)实现模型决策可视化。研究结果显示，经核参数优化的二次支持向量机(Quadratic Support Vector Machine, QSVM)表现最优，四分类准确率达94.5%，超越神经网络模型。通过SHAP分析鉴定出15个权重最高的拉曼位移，对应胆固醇、β-胡萝卜素等代谢物振动模式，揭示了OBs→IGTs→DMs演进过程中的动态生化特征谱。

在"Patients and Plasma Samples"部分，研究严格遵循临床指南采集样本，通过30分钟凝血离心标准化预处理，确保数据可比性。"Fabrication and Characterization of SERS Substrates"证实，调整AgNWs密度可调控"热点"分布，最优基底使增强因子达10⁷量级。"CONCLUSION"指出，该平台突破传统靶向检测局限，首次实现基于全谱特征的T2DM多阶段分类，QSVM模型兼具高精度与计算效率优势。

这项研究的突破性在于：一方面，非靶向SERS策略可同时捕获数千种分子振动信号，克服单一标志物检测的局限性；另一方面，SHAP解释模型将"黑箱"预测转化为可理解的生化特征，发现如1385 cm^-1位移对应糖基化终产物积累，为理解T2DM发病机制提供新视角。研究者特别强调，该方法仅需微量血浆即可完成检测，在社区筛查场景中具有显著应用潜力。复旦大学分析化学研究所Mingxia Gao教授团队表示，该技术框架可扩展至其他代谢性疾病研究，为临床诊断提供"全谱分析-智能决策-机制阐释"的一体化解决方案。